郭 闖 郭志明 孫 力 宋 燁 鄒小波

(1. 江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013；2. 中華全國(guó)供銷合作總社濟(jì)南果品研究院，山東 濟(jì)南 250220)

2019年中國(guó)水果產(chǎn)量達(dá)2.74億t，并呈慣性增長(zhǎng)態(tài)勢(shì)。水果產(chǎn)業(yè)在促進(jìn)農(nóng)業(yè)結(jié)構(gòu)調(diào)整、優(yōu)化居民飲食結(jié)構(gòu)、增加果農(nóng)收入方面發(fā)揮了重要作用[1]。水果在采收及采后貯藏期間若處理不當(dāng)，極易被微生物侵染，導(dǎo)致腐敗變質(zhì)。據(jù)不完全統(tǒng)計(jì)[2]，中國(guó)水果損失率約15%～20%，造成巨大的產(chǎn)后經(jīng)濟(jì)損失。

傳統(tǒng)的水果腐敗檢測(cè)方法主要有人工肉眼辨識(shí)[3]和理化指標(biāo)檢測(cè)[4]。肉眼檢測(cè)只能辨別腐敗中期和晚期的水果，難以實(shí)現(xiàn)早期預(yù)警。理化指標(biāo)檢測(cè)的專業(yè)知識(shí)要求高，無(wú)法滿足實(shí)際檢測(cè)環(huán)境需求。隨著無(wú)損檢測(cè)技術(shù)的發(fā)展，近紅外光譜和高光譜等技術(shù)已被廣泛應(yīng)用于水果腐敗檢測(cè)，具有快速、無(wú)損的優(yōu)點(diǎn)，是研究趨勢(shì)之一[5]。Lorente等[6]通過(guò)近紅外光譜儀采集柑橘光譜，結(jié)合線性判別分析對(duì)新鮮與腐敗柑橘進(jìn)行分類，識(shí)別率達(dá)97.8%；張海輝等[7]利用果實(shí)直徑對(duì)蘋果霉心病的透射光譜進(jìn)行修正，實(shí)現(xiàn)了蘋果霉心病的準(zhǔn)確判別。高光譜成像技術(shù)結(jié)合計(jì)算機(jī)圖像技術(shù)和光譜技術(shù)獲取黃瓜[8]和香蕉[9]的特征信息，融合馬氏距離建立了相應(yīng)腐敗預(yù)警模型。張建鋒等[10]通過(guò)核磁共振成像儀獲取香梨內(nèi)部褐變的核磁共振圖像，建立了香梨褐變的判別模型。上述無(wú)損檢測(cè)技術(shù)雖然檢測(cè)速度快、操作簡(jiǎn)便，但只針對(duì)單個(gè)樣本進(jìn)行檢測(cè)，無(wú)法滿足水果腐敗實(shí)際檢測(cè)的需要。

電子鼻通過(guò)樣本的揮發(fā)性氣體對(duì)檢測(cè)對(duì)象進(jìn)行分析評(píng)價(jià)，具有易操作、高靈敏的優(yōu)點(diǎn)，同時(shí)具有分析樣本整體信息的能力，被廣泛應(yīng)用于食品、環(huán)境和農(nóng)業(yè)等領(lǐng)域。通過(guò)電子鼻獲取不同貯藏時(shí)間水果的氣體信息，以實(shí)現(xiàn)沃柑[11]、桃[12]和獼猴桃[13]貯藏期的判別。徐靜等[14-15]分別利用電子鼻和乙醇傳感器獲取草莓的氣體信息，實(shí)現(xiàn)了新鮮度的判別，同時(shí)準(zhǔn)確定位了草莓腐敗的位置。范霞等[16]通過(guò)分析不同貯藏期桃子的氣體成分，對(duì)桃的風(fēng)味物質(zhì)和品質(zhì)特性進(jìn)行了討論。徐賽等[17]將電子鼻技術(shù)與高光譜技術(shù)融合獲取番石榴的特征信息，通過(guò)多源信息融合的方法對(duì)水果機(jī)械損傷程度進(jìn)行判別，正確率高達(dá)97.44%。袁鴻飛等[18]利用電子鼻和近紅外光譜技術(shù)對(duì)蘋果水心病進(jìn)行判別，識(shí)別率達(dá)100%。然而，上述電子鼻系統(tǒng)大多針對(duì)水果的單一指標(biāo)進(jìn)行研究，無(wú)法實(shí)現(xiàn)水果腐敗過(guò)程的多氣體動(dòng)態(tài)監(jiān)測(cè)，不能滿足復(fù)雜環(huán)境下水果腐敗檢測(cè)的需要。

為解決水果腐敗的多氣體動(dòng)態(tài)監(jiān)測(cè)和早期預(yù)警的難點(diǎn)，研究水果腐敗過(guò)程中氣體傳感器的響應(yīng)差異及變化規(guī)律，模塊化設(shè)計(jì)關(guān)鍵檢測(cè)單元，研發(fā)基于氣體傳感器陣列的水果腐敗傳感檢測(cè)預(yù)警系統(tǒng)。文章擬以典型大宗水果——蘋果為驗(yàn)證對(duì)象，采集蘋果腐敗前的氣體傳感信息，結(jié)合化學(xué)計(jì)量學(xué)方法，構(gòu)建蘋果腐敗前天數(shù)的判別模型和定量預(yù)測(cè)模型，驗(yàn)證系統(tǒng)的可行性和適用性，為水果腐敗早期預(yù)警提供新思路。

1 水果腐敗傳感檢測(cè)系統(tǒng)

水果腐敗傳感檢測(cè)系統(tǒng)主要由氣體傳感器陣列、數(shù)據(jù)采集模塊、數(shù)據(jù)存儲(chǔ)模塊、數(shù)據(jù)顯示模塊組成，其整體結(jié)構(gòu)如圖1所示。其中，氣體傳感器陣列用于獲取水果各揮發(fā)性氣體的信息；以單片機(jī)為核心的數(shù)據(jù)采集模塊用于傳感器陣列信號(hào)的采集和AD轉(zhuǎn)換，并控制氣泵和單向閥的開關(guān)等；數(shù)據(jù)存儲(chǔ)模塊和數(shù)據(jù)顯示模塊分別用于存儲(chǔ)和顯示氣體傳感器和腐敗信息的數(shù)據(jù)；供氣動(dòng)力裝置包括氣室、微型氣泵、單向閥等部件，單向閥用于氣路的控制，微型氣泵用于排氣和氣室內(nèi)氣體的流通。

1.1 檢測(cè)系統(tǒng)的硬件結(jié)構(gòu)

1.1.1 主控芯片的選型 單片機(jī)具有高可靠、低功耗、以及強(qiáng)抗干擾的優(yōu)點(diǎn)，選用型號(hào)為STC8A8K64S4A12_LQFP48的單片機(jī)作為主控芯片，該單片機(jī)具有較多的I/O端口和較高轉(zhuǎn)換率。以單片機(jī)為核心的數(shù)據(jù)采集模塊通過(guò)控制微型氣泵和單向閥實(shí)現(xiàn)氣路的通斷；氣體傳感器陣列通過(guò)獲取氣室氣體濃度的變化，利用數(shù)據(jù)采集模塊對(duì)信號(hào)進(jìn)行AD轉(zhuǎn)換后通過(guò)串口屏實(shí)時(shí)顯示，各氣體傳感器數(shù)據(jù)均保存至存儲(chǔ)模塊中。

1. 單向閥 2. 氣室 3. 傳感器陣列 4. 氣泵 5. 控制電路6. 單片機(jī) 7. 串口屏 8. TF卡模塊圖1 水果腐敗傳感檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖Figure 1 Schematic representation of fruit spoilagesensing monitoring system

1.1.2 氣體傳感器的選擇 氣體傳感器對(duì)某些或某種氣體具有高響應(yīng)值，但是對(duì)其他的氣體具有低響應(yīng)值，靈敏度易受環(huán)境因素影響，將氣體傳感器進(jìn)行整合成傳感器陣列能夠有效解決上述問(wèn)題。經(jīng)廣泛調(diào)研和試驗(yàn)，選擇高靈敏、低功耗、穩(wěn)定性好的紅外傳感器和電化學(xué)型氣體傳感器搭建傳感器陣列。

調(diào)研發(fā)現(xiàn)，影響水果品質(zhì)的主要?dú)怏w為氧氣(O2)、二氧化碳(CO2)、揮發(fā)性有機(jī)物(VOC)和乙烯(C2H4)。O2和CO2是水果呼吸作用相關(guān)的氣體，CO2濃度過(guò)高會(huì)導(dǎo)致二氧化碳中毒現(xiàn)象；不同水果釋放的C2H4濃度不同，水果呼吸作用與水果類型有關(guān)，C2H4對(duì)水果的生長(zhǎng)和衰老起非常重要的作用；VOC則反映了水果的新鮮度。因此，選擇二氧化碳、氧氣、乙烯和揮發(fā)性有機(jī)物傳感器構(gòu)建傳感器陣列。表1為選擇的各氣體傳感器的檢測(cè)量程、采樣精度和重復(fù)性。

表1 各氣體傳感器的型號(hào)、檢測(cè)量程、采樣精度和重復(fù)性

1.2 檢測(cè)系統(tǒng)軟件設(shè)計(jì)

檢測(cè)系統(tǒng)軟件具備硬件間通訊、采集傳感器數(shù)據(jù)、顯示腐敗信息和傳感器數(shù)據(jù)曲線、結(jié)果保存等功能。水果腐敗傳感檢測(cè)系統(tǒng)的軟件是基于QT C++框架自主開發(fā)，用戶可通過(guò)觸摸屏進(jìn)行人機(jī)交互，實(shí)現(xiàn)在線數(shù)據(jù)采集及相關(guān)參數(shù)信息的結(jié)果顯示。系統(tǒng)可通過(guò)設(shè)置采樣間隔進(jìn)行間歇式檢測(cè)，同時(shí)在檢測(cè)空閑時(shí)期抽離氣室多余氣體，避免氣體傳感器長(zhǎng)時(shí)間與揮發(fā)性氣體反應(yīng)，延長(zhǎng)氣體傳感器的使用壽命。檢測(cè)系統(tǒng)工作流程圖如圖2所示，可實(shí)時(shí)顯示采集的氣體數(shù)據(jù)曲線和調(diào)用模型計(jì)算后的腐敗預(yù)警信息等。

圖2 檢測(cè)系統(tǒng)的軟件流程圖Figure 2 Software flow chart of monitoring system

2 試驗(yàn)結(jié)果與分析

2.1 試驗(yàn)對(duì)象

蘋果：紅富士蘋果，挑選尺寸、色澤、大小相似，成熟度一致，無(wú)機(jī)械損傷的蘋果，以保證蘋果成熟度的一致性，市售；

黑曲霉：中國(guó)工業(yè)微生物菌種保藏管理中心(CICC)。

2.2 試驗(yàn)步驟

2.2.1 黑曲霉的活化與培養(yǎng) 將黑曲霉菌懸液涂布于PDA平板上，28 ℃恒溫恒濕培養(yǎng)1周，取性狀穩(wěn)定的第3代菌作為試驗(yàn)用菌。用一次性接種環(huán)刮取菌孢子于無(wú)菌水中，配置成菌懸液，用血球計(jì)數(shù)板對(duì)菌懸液進(jìn)行計(jì)數(shù)，用無(wú)菌水將菌懸液稀釋至105CFU/mL。

2.2.2 蘋果接種 用純水擦去蘋果表面污染物，用75%的酒精擦拭蘋果表面殺菌消毒，于無(wú)菌操作臺(tái)紫外線下照射30 min；沿蘋果赤道部分用注射器刺3 mm(直徑)×5 mm(深度)的傷口，用移液槍注入20 μL黑曲霉菌懸液，利用封口膠進(jìn)行纏繞，共接種30個(gè)蘋果。將蘋果樣本置于25 ℃恒溫恒濕培養(yǎng)箱中，每24 h利用檢測(cè)系統(tǒng)間歇獲取蘋果的數(shù)據(jù)信息。

2.2.3 數(shù)據(jù)獲取 蘋果發(fā)生腐敗前，每24 h取出蘋果樣本，25 ℃下將樣本置于集氣容器中集氣1 h，利用自研檢測(cè)系統(tǒng)獲取各氣體數(shù)據(jù)。每個(gè)樣品檢測(cè)時(shí)間為130 s，清洗時(shí)間為200 s，共采集4次數(shù)據(jù)。

2.2.4 數(shù)據(jù)分析 蘋果樣本腐敗前天數(shù)的C2H4、CO2、VOC和O2傳感器的響應(yīng)值如圖3所示。其中，C2H4、CO2和VOC傳感器的響應(yīng)值隨接種時(shí)間的增加而增大，O2的響應(yīng)值隨接種時(shí)間的增加而降低，可能是蘋果自身的營(yíng)養(yǎng)成分被代謝，消耗O2產(chǎn)生C2H4、CO2、VOC氣體，說(shuō)明系統(tǒng)能較好地表征蘋果腐敗前的過(guò)程，隨著蘋果的腐敗，差異性逐漸增大，驗(yàn)證了實(shí)現(xiàn)蘋果腐敗早期預(yù)警的可行性。

圖3 蘋果樣本腐敗前天數(shù)的C2H4、CO2、VOC和O2平均值Figure 3 Mean values of C2H4, CO2, VOC and O2 in apple samples on different days before spoilage

2.3 蘋果腐敗預(yù)警模型

檢測(cè)系統(tǒng)采集的數(shù)據(jù)格式是以二維表的格式存儲(chǔ)的，對(duì)于每一次采集的數(shù)據(jù)而言，均可視為130×4的二維數(shù)組，為了后續(xù)數(shù)據(jù)分析的準(zhǔn)確性，對(duì)數(shù)據(jù)進(jìn)行扁平化處理。分別將每個(gè)蘋果數(shù)據(jù)由130×4的二維矩陣轉(zhuǎn)換為520×1的一維矩陣，同時(shí)將30個(gè)蘋果樣本間歇采集4次的120個(gè)一維矩陣進(jìn)行拼接，最終形成520×120的蘋果氣體信息數(shù)據(jù)庫(kù)。

主成分分析(PCA)是數(shù)據(jù)降維和特征提取的多元統(tǒng)計(jì)方法，將高維的數(shù)據(jù)通過(guò)線性變換投影到低維空間，以代表主方差的特征向量為主成分，對(duì)高維數(shù)據(jù)進(jìn)行降維[19]。線性判別分析(LDA)是常用的模式識(shí)別方法[20]，可以對(duì)數(shù)據(jù)類之間的差異進(jìn)行建模，以最小化類內(nèi)的方差，被廣泛應(yīng)用于檢測(cè)技術(shù)中的分類和特征提取。K-最近鄰(KNN)是一種基于回歸和分類問(wèn)題的算法，其使用方便、易于實(shí)現(xiàn)[21]。反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)是利用非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練的反向傳播網(wǎng)絡(luò)，在處理多變量非線性復(fù)雜信息時(shí)具有強(qiáng)大的表達(dá)能力[22]。

將蘋果氣體信息數(shù)據(jù)庫(kù)作為數(shù)據(jù)模型輸入，對(duì)30個(gè)蘋果4 d的數(shù)據(jù)進(jìn)行分析。其中訓(xùn)練集與預(yù)測(cè)集按3∶2的比例進(jìn)行劃分，所有數(shù)據(jù)均使用MATLAB_R2014b進(jìn)行處理。利用LDA、KNN和BP-ANN建立的腐敗前天數(shù)的判別模型，結(jié)果如圖4所示。

由圖4可知，前3個(gè)主成分的累積方差貢獻(xiàn)率達(dá)99.11%。其中蘋果腐敗前1 d和其他天數(shù)區(qū)分效果較好，表明氣體傳感器數(shù)據(jù)可用于蘋果腐敗前天數(shù)的分類。由圖4和表2可知，LDA在主成分?jǐn)?shù)為2時(shí)結(jié)果最佳，預(yù)測(cè)集的結(jié)果可達(dá)93.75%；KNN的結(jié)果略優(yōu)于LDA，最高可達(dá)97.92%；BP-ANN在隱含層神經(jīng)元數(shù)量為13時(shí)分類效果最佳，訓(xùn)練集與預(yù)測(cè)集的識(shí)別率分別為99.53%和99.38%。綜上，基于氣體傳感器的檢測(cè)系統(tǒng)通過(guò)不同階段蘋果產(chǎn)生揮發(fā)性氣體的差異性，可實(shí)現(xiàn)蘋果的腐敗前天數(shù)的分類。

表2 基于LDA、KNN和BP-ANN算法的蘋果腐敗前天數(shù)的分類結(jié)果

圖4 氣體傳感器數(shù)據(jù)建立的判別模型結(jié)果Figure 4 Results of discriminant model using sensor data

2.4 蘋果腐敗預(yù)測(cè)模型

偏最小二乘法(PLS)為應(yīng)用廣泛的多元校正方法[23]，所建模型的交叉驗(yàn)證均方根誤差(RMSECV)和預(yù)測(cè)均方根誤差(RMSEP)越小，相關(guān)系數(shù)越接近1，表明所建模型越準(zhǔn)確、越穩(wěn)定。由于氣體傳感器的數(shù)據(jù)包括相關(guān)性較弱的變量，會(huì)降低PLS模型準(zhǔn)確性，可以通過(guò)變量篩選方法篩選數(shù)據(jù)的特征變量，剔除無(wú)關(guān)變量，可提高PLS的預(yù)測(cè)精度。

采用聯(lián)合區(qū)間(SI)、遺傳算法(GA)、模擬退火(SA)、蟻群(ACO)和競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(CARS)5種變量篩選方法篩選特征變量建立腐敗前天數(shù)的PLS預(yù)測(cè)模型。SI將所有數(shù)據(jù)分成若干個(gè)等寬子區(qū)間，由不同子區(qū)間組合而成，選取RMSECV最小的區(qū)間組合[24]。GA是基于自然選擇和進(jìn)化機(jī)制[25]，能在短時(shí)間內(nèi)達(dá)到全局最優(yōu)，降低了陷入局部最優(yōu)搜索的風(fēng)險(xiǎn)。SA是基于固態(tài)物理退火工藝的演化而來(lái)的求解組合優(yōu)化問(wèn)題的算法[26]。ACO算法是通過(guò)蟻群的活動(dòng)規(guī)律，優(yōu)化所創(chuàng)建路徑的能力，以改進(jìn)最優(yōu)變量的選擇，具有較強(qiáng)的通用性和魯棒性[27]。CARS通過(guò)模仿達(dá)爾文進(jìn)化論而建立，可以有效剔除不相關(guān)變量，簡(jiǎn)化和提高模型的預(yù)測(cè)精度[28]。

分別利用全變量和選擇變量建立蘋果腐敗前天數(shù)的PLS預(yù)測(cè)模型，其散點(diǎn)圖如圖5所示。以預(yù)測(cè)集的相關(guān)系數(shù)作為定量模型的評(píng)價(jià)標(biāo)準(zhǔn)，建立的PLS模型相關(guān)系數(shù)均>0.91，說(shuō)明變量篩選方法可有效去除無(wú)關(guān)變量，提高預(yù)測(cè)模型的準(zhǔn)確性。

由圖5可知，CARS-PLS篩選出37個(gè)特征變量構(gòu)建預(yù)測(cè)模型，其中Rc=0.975，RMSEC=0.249，Rp=0.974，RMSEP=0.253，對(duì)于蘋果腐敗前天數(shù)的預(yù)測(cè)最佳，說(shuō)明系統(tǒng)通過(guò)不同階段蘋果產(chǎn)生氣體成分的差異性，對(duì)蘋果腐敗前天數(shù)進(jìn)行預(yù)測(cè)，表明實(shí)現(xiàn)早期腐敗預(yù)警的可能性，驗(yàn)證了檢測(cè)系統(tǒng)預(yù)測(cè)水果腐敗的可行性。

圖5 基于傳感器數(shù)據(jù)建立的蘋果腐敗前天數(shù)預(yù)測(cè)模型Figure 5 Prediction model of days before apple corruption based on sensor data

3 結(jié)論

(1) 構(gòu)建了由氣體傳感器陣列、數(shù)據(jù)采集模塊、數(shù)據(jù)存儲(chǔ)模塊、數(shù)據(jù)顯示模塊組成的水果腐敗傳感檢測(cè)系統(tǒng)。通過(guò)數(shù)據(jù)采集模塊獲取氣體傳感器陣列的信號(hào)，采用QT Creator軟件開發(fā)檢測(cè)系統(tǒng)顯示界面，有效地獲取水果的各揮發(fā)性氣體信息，系統(tǒng)運(yùn)行穩(wěn)定可靠，實(shí)現(xiàn)了水果腐敗的檢測(cè)。

(2) 以蘋果為驗(yàn)證對(duì)象，探究蘋果腐敗過(guò)程氣體的變化趨勢(shì)。其中，乙烯、二氧化碳和揮發(fā)性化合物含量隨蘋果腐敗程度的增加而增大，而氧氣含量反而降低。通過(guò)LDA、KNN和BP-ANN 3種模式識(shí)別方法建立蘋果腐敗前天數(shù)判別模型，其中BP-ANN為最佳預(yù)測(cè)模型，識(shí)別率高達(dá)99.38%，表明基于氣體傳感器技術(shù)的水果腐敗檢測(cè)是可行的。

(3) 利用聯(lián)合區(qū)間、遺傳算法、模擬退火、蟻群和競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣5種變量篩選方法篩選特征變量，建立腐敗前天數(shù)的PLS預(yù)測(cè)模型，其中，競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣-PLS對(duì)于蘋果腐敗前天數(shù)的預(yù)測(cè)最佳(Rp=0.974)，說(shuō)明檢測(cè)系統(tǒng)可用于腐敗天數(shù)的預(yù)測(cè)，為水果腐敗預(yù)警提供了新思路。后續(xù)研究應(yīng)以批量的水果樣本作為驗(yàn)證樣本，模擬實(shí)際水果倉(cāng)儲(chǔ)環(huán)境，實(shí)現(xiàn)早期腐敗預(yù)警和實(shí)時(shí)監(jiān)測(cè)，隨時(shí)了解倉(cāng)儲(chǔ)中水果的品質(zhì)狀態(tài)，快速識(shí)別水果的腐敗變質(zhì)，實(shí)現(xiàn)水果腐敗的早期預(yù)警，及時(shí)采取處理措施，減少腐敗的發(fā)生。